主要内容

的简历

恢复训练支持向量机(SVM)分类万博1manbetx器

所有的页面崩溃

语法

UpdatedSVMModel =简历(SVMModel numIter)
UpdatedSVMModel =简历(SVMModel numIter、名称、值)

描述

例子

UpdatedSVMModel=简历(SVMModel,numIter)返回一个更新的支持向量机(SVM)分类万博1manbetx器UpdatedSVMModel通过训练SVM分类器SVMModel为numIter更多的迭代。就像SVMModel,更新后的SVM分类器ClassificationSVM分类器。

的简历继续应用培训时设置的选项SVMModel训练了fitcsvm。

例子

UpdatedSVMModel=简历(SVMModel,numIter,名称,值)返回UpdatedSVMModel额外的选项指定的一个或多个参数名称-值对。例如,您可以指定详细的水平。

例子

全部折叠

打开生活的脚本

训练SVM分类器和故意导致求解失败收敛到一个解决方案。然后恢复训练分类器,而不必重新启动整个学习过程。

加载电离层数据集。

负载电离层rng (1);%的再现性

一个支持向量机分类器训练。指定优化日常使用最多50个迭代。

SVMModel = fitcsvm (X, Y,“IterationLimit”,50);DidConverge = SVMModel.ConvergenceInfo.Converged
DidConverge =逻辑0
原因= SVMModel.ConvergenceInfo.ReasonForConvergence
原因= ' NoConvergence '

DidConverge = 0表明该优化程序不收敛到一个解决方案。原因州常规不收敛的原因。因此,SVMModel是一个部分训练SVM分类器。

恢复训练SVM分类器的另一个地方1500年迭代。

UpdatedSVMModel =简历(SVMModel, 1500);DidConverge = UpdatedSVMModel.ConvergenceInfo.Converged
DidConverge =逻辑1
原因= UpdatedSVMModel.ConvergenceInfo.ReasonForConvergence
原因= ' DeltaGradient '

DidConverge表明优化常规聚合到一个解决方案。原因表明梯度差异(DeltaGradient)达到公差水平(DeltaGradientTolerance)。因此,SVMModel是一个完全训练SVM分类器。

打开生活的脚本

训练SVM分类器和故意导致求解失败收敛到一个解决方案。然后恢复训练分类器,而不必重新启动整个学习过程。比较值resubstitution损失的部分训练分类器,完全训练分类器。

加载电离层数据集。

负载电离层

一个支持向量机分类器训练。指定优化日常使用最多100次迭代。监控软件的算法指定打印所有诊断信息50迭代。

SVMModel = fitcsvm (X, Y,“IterationLimit”,100,“详细”,1“NumPrint”,50);
| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | |迭代| |集合大小| |可行性三角洲|马| | |目标数量约束| | | | | | |梯度差距Vec。违反|增刊。违反| | | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 0 |活动| 351 | 9.971591 e-01 e + 00 | 2.000000 | 1.000000 e + e + 00 00 | 0 | 0.000000 | 0.000000 e + 00 | | 351 | |活跃e-01 | 8.064425 | 3.736929 e + 2.161317 e + 00 00 | | 60 e + 01 | -3.628863 | 5.551115 e-17 |支持向量机优化不收敛所需的公差。

软件输出迭代显示命令窗口。打印输出表明,优化程序并没有融合到一个解决方案。

估计resubstitution损失的部分训练SVM分类器。

partialLoss = resubLoss (SVMModel)
partialLoss = 0.1197

训练样本的误分类误差大约是12%。

恢复训练的分类器1500年迭代。每一个指定的软件打印诊断信息250年迭代。

UpdatedSVMModel =简历(SVMModel, 1500,“NumPrint”,250)
| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | |迭代| |集合大小| |可行性三角洲|马| | |目标数量约束| | | | | | |梯度差距Vec。违反|增刊。违反| | | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 250 | |活跃351 e-01 | 2.097627 | 1.965259 e + 00 e + 00 | 102 | 1.211407 | -7.577701 e + 01 e15汽油1.956768 | | | 500 | |活跃351 | 3.625797 e 03 e-02 | 9.547707 | 5.710587 e-02 | 103 | -7.819434 e + 01 e15汽油2.337974 | | | 750 | |活跃351 e-04 | 5.810633 | 2.683463 e-02 e-02 | 1.500555 | 103 | -7.820914 e + 01 e15汽油2.724383 | | | 1000 | |活跃351 e-05 | 7.464431 | 2.218816 e 03 e 03 | 1.276094 | 103 | -7.820958 e + 01 e15汽油2.277258 | | | 1067 | |活跃351 e-05 | 4.748866 | 9.882221 e-04 e-04 | 5.178619 | 103 | -7.820959 e + 01 e15汽油2.257309 | |退出有效集上由于DeltaGradient收敛。
UpdatedSVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351α:[103 x1双]偏见:-3.8827 KernelParameters: [1 x1 struct] BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[351]解算器:SMO的属性,万博1manbetx方法

软件恢复迭代1000年和使用相同的冗长的一组训练模型时使用fitcsvm。打印输出表明,算法融合。因此,UpdatedSVMModel是一个训练有素ClassificationSVM分类器。

updatedLoss = resubLoss (UpdatedSVMModel)
updatedLoss = 0.0769

充分训练分类器的训练样本误分类误差为8%左右。

输入参数

全部折叠

满,训练SVM分类器,指定为一个ClassificationSVM模型训练fitcsvm。

继续训练SVM分类器的迭代次数,指定为一个正整数。

数据类型:双

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:简历(SVMModel, 500,“详细”,2)火车SVMModel为500年更多的迭代和指定显示诊断消息并保存在每一个迭代收敛标准。

冗长的层面上,指定为逗号分隔组成的“详细”和0,1,或2。详细的控制优化信息的数量显示在命令窗口并保存为结构SVMModel.ConvergenceInfo.History。

这个表总结了冗长的水平值。

价值 描述
0 软件不显示或保存融合信息。
1 软件显示诊断消息并保存每一个收敛标准numprint迭代,numprint的价值吗“NumPrint”名称-值对的论点。
2 软件显示诊断消息并保存在每一个迭代收敛标准。

默认情况下,详细的的值是fitcsvm使用培训SVMModel。

例子:“详细”,1

数据类型:单

迭代次数之间的诊断信息打印出来,指定为逗号分隔组成的“NumPrint”和一个非负整数。

如果你设置“详细”,1和“NumPrint”,numprint,然后SMO的软件显示所有优化诊断消息[1]和ISDA[2]每一个numprint在命令窗口迭代。

默认情况下,NumPrint的值是fitcsvm使用培训SVMModel。

例子:“NumPrint”, 500年

数据类型:单

提示

如果优化不收敛和解决者SMO的或ISDA的,然后试图恢复训练SVM分类器。

引用

[1]球迷,R.-E。,林志信。陈,C.-J。林。“工作集选择使用二阶信息训练支持向量机。”万博1manbetx机器学习研究杂志》上》第六卷,2005年,页1889 - 1918。

[2]Kecman V。,t - m。黄,m·沃格特。“迭代单一数据训练算法内核机器从巨大的数据集:理论和性能。”万博1manbetx支持向量机:理论和应用程序。由脂肪编辑,255 - 274。柏林:斯普林格出版社,2005年版。

扩展功能

版本历史

介绍了R2014a

另请参阅

|